AI赋能肝脏疾病诊疗的临床进展与前景
慢性肝脏疾病已成为全球性重大公共卫生挑战，其涵盖感染性与非感染性两大类别，具体包括慢性病毒性肝炎（如乙型、丙型肝炎）、代谢相关脂肪性肝病、酒精性肝病、血吸虫性肝病及自身免疫性肝病等。当前，我国仍面临沉重的病毒性肝炎疾病压力，据统计现有慢性乙肝患者超过8600万例，慢性丙肝患者约1000万例。随着公共卫生条件的改善和疫苗接种的推广，近20年来我国肝脏疾病谱发生了显著变化。病毒性肝病的发病率呈下降趋势，而以非酒精性脂肪性肝病（NAFLD）为代表的非病毒性肝病则日益增多，全国患病率高达29.2%。肝脏被称为"沉默的器官"，肝病患者往往起病隐匿、病程迁延，若缺乏及时干预可逐渐发展为肝硬化、肝衰竭或肝癌，由此产生的医疗负担和社会经济成本正逐年增加。研究数据显示，我国64%的肝细胞癌患者在首次诊断时已处于中国肝癌分期（CNLC）Ⅱ期和Ⅲ期，中位生存期仅约2年。由此可见，我国肝病负担沉重，肝病防治面临早筛早诊率低、患者预后不佳的严峻形势，迫切需要引入新技术手段将治疗关口前移，以减轻临床压力，提升诊疗效能。
近年来，国家层面密集出台政策文件，鼓励将人工智能等新兴技术融入医疗健康领域，以应对重大疾病的防治需求。"健康中国2030"规划纲要将发展智慧医疗、加强健康科技创新作为国家战略部署的重要内容。随后发布的《"十四五"国家信息化规划》和《"十四五"国民健康规划》等政策进一步明确了医疗人工智能的发展方向：强调加快人工智能关键技术的转化应用，打造高质量医疗装备，推进智能医疗服务体系建设。在这一系列政策的推动下，"人工智能+医疗"正成为深化医药卫生体制改革、提升医疗服务质量的重要契机和方向。
一、人工智能在肝病诊疗中的主要应用方向
人工智能在肝病领域的应用目前主要集中在以下4个方面。①人工智能在肝病筛查中的应用：通过机器学习整合电子病历、常规实验室指标与多组学数据，提高NAFLD、病毒性肝炎、自身免疫性肝炎（AIH）、药物性肝损伤（DILI）等肝病早期识别的灵敏性和特异性。②人工智能在肝病辅助诊断中的应用：深度学习自动解析超声、CT/MRI影像学及数字病理切片，客观、快速地完成肝脏病变分型与分期，减少人工读片的不一致性。③人工智能在肝病预后预测中的应用：综合临床、影像学、病理学及分子生物学特征的人工智能模型可精确评估慢性肝病人群的进展、并发症的风险及肝癌人群的复发，助力个体化随访管理。④人工智能在肝病治疗选择与疗效预测中的应用：人工智能可预测患者对手术、移植、靶向及免疫治疗的响应，辅助优化治疗方案并实时监测疗效，实现精准医疗。
（一）人工智能在肝病筛查中的应用
近年来，人工智能用于结合电子病历和常规临床检验数据进行肝病筛查的应用场景不断扩大。
在NAFLD筛查中，Atabaki-Pasdar等利用1514例前瞻性队列的临床和多组学数据预测NAFLD的发生，在逐步引入血糖、胰岛素、基因、蛋白质组和代谢组等特征构建多达18种模型后，对比发现随机森林模型识别NAFLD的曲线下面积（AUC）值约为0.84，明显优于传统脂肪肝指数。此外，深度学习技术的应用将全新数据源引入NAFLD的初筛，如Udompap等发现基于卷积神经网络（CNN）的人工智能-心电图模型对NAFLD的预测能力与传统代谢风险指标相当，提供了在基层环境中简便筛查的思路。Vianna等训练了基于VGG16网络架构的CNN模型，在鉴别199例NAFLD患者的腹部超声图像有无脂肪肝、中重度脂肪变时，模型在测试集上的AUC值分别为0.85、0.73，表现与人工读片相当且评估一致性更好。人工智能还能深度挖掘超声信号中肉眼不可见的信息。Han等通过超声射频（RF）原始回波信号结合一维CNN构建了NAFLD分类器和预测肝脏MRI-质子密度脂肪分数（PDFF）值的回归模型，在204例成人队列上验证发现，该超声射频深度学习分类器在测试集上诊断NAFLD的准确率达96%，灵敏度为97%，特异度为94%，阳性和阴性预测值分别为97%和94%；同时，回归模型预测的脂肪含量与MRI测量值高度相关（r=0.85），而传统FibroScan的受控衰减参数（CAP）值与MRI定量脂肪仅中等程度相关（r=0.57）。
在病毒性肝炎筛查领域，人工智能同样有较好表现。Ramrakhiani等仅以出生年份、性别、种族等人口学变量训练随机森林模型预测慢性HBV感染，其独立验证集AUC值达0.828，灵敏度为75.6%。这一结果表明，简单人口学变量经机器学习模型整合后可有效挖掘隐匿的乙型肝炎高风险人群，有望作为筛查的辅助手段扩大覆盖面。另一项研究则利用临床电子病历大数据筛查丙型肝炎患者：Rigg等构建了梯度提升决策树模型，在阳性率仅为0.02%的独立测试集中，该模型将需优先筛查的前5%高风险人群的慢性HCV检出率提高至约2%。
（二）人工智能在肝病辅助诊断中的应用
肝病疾病谱广、病程进展隐匿，不同阶段的影像学表现复杂且异质性强，给临床诊断带来巨大挑战。近年来，深度学习和机器学习方法被广泛应用于CT、MRI、超声及多模态数据，以满足脂肪变程度、纤维化分期、门静脉高压评估、恶性肿瘤诊断和鉴别，以及少见肝病的鉴别诊断等临床需求。
1.辅助肝病进展状态的评估：
目前，肝病进展状态的无创评估存在灵敏度或特异度较差、异质性较高的缺陷，评估的金标准常有赖于病理活体组织检查。人工智能可优化目前慢性肝病进展状态的无创评估，早期识别纤维化及肿瘤的发生，并且准确评估其程度，进而对临床医师的管理决策起到辅助作用。
在NAFLD患者中，肝脂肪含量是重要的评估指标，但无创量化较为困难。Jeon等利用超声射频数据提取声衰减和声速度等定量超声参数，结合超声图像构建了二维CNN超声脂肪分数模型，其判定脂肪肝的AUC值显著高于传统超声定性的指标。此外，针对单一成像手段难以同时量化脂肪和铁沉积的问题，Martí-Aguado等开发了全肝MRI自动分割与定量方案，从3.0 T MRI的PDFF和R2序列中同时测定肝脏脂肪含量和铁浓度，提供了准确量化评估合并异常铁沉积的脂肪肝的方法。寄生虫感染所致的肝囊型棘球蚴病（HCE）要求区分囊肿的活动性以决定手术干预时机。Wang等整合了700例HCE患者的CT影像学和临床数据，采用Transformer架构融合了影像组学特征，以及二维、三维深度卷积特征，构建多模态特征融合模型，利用编码器-解码器自注意力机制在特征层面完成跨模态信息交互来判别囊肿的生物学活性。该模型在内部测试和外部验证中的AUC值分别高达0.997和0.944，明显优于任何单一特征的传统模型。
对于慢性肝病患者纤维化分期的判断，Chen等开发了基于超声检查的深度学习纤维化评估神经网络模型，从常规肝脏超声图像中自动预测肝脏硬度是否超过声辐射力瞬时弹性成像阈值8.7 kPa，并提出"两步序贯筛查"算法：首先对所有慢性肝病患者计算FIB-4指数，筛出可疑者再行超声人工智能模型判读；结果显示与单独使用FIB-4指数相比，两步序贯筛查法将筛查晚期纤维化的特异度从57%提高至79%，将阳性预测值从32%提升至44%，减少了42%的不必要转诊。Calès等利用多目标机器学习融合多种血清生物标志物和影像/弹性信息，开发了新一代无创纤维化检测FIB-12指数模型；在1051例代谢功能紊乱相关脂肪性肝病（MASLD）患者的验证结果中，该模型的准确率达83.3%，AUC值高达0.912。这些研究表明通过融合多模态成像和不确定性评估，人工智能模型正逐步克服过去影像学定量方法在纤维化评估中精度和可信度不足的局限性。
在肝脏肿瘤的识别方面，传统腹部超声对小肝癌的检出灵敏性有限，而Rhyou和Yoo提出的肝细胞癌识别网络模型通过离散小波变换预处理超声图像，并采用YOLOv5为基础的粗到细双阶段网络进行肿瘤检测与分类；该模型在单中心验证中总体准确率约为96%，灵敏度为97.6%，特异度为98.1%，远高于常规超声诊断性能。Balaguer-Montero等开发了基于三维U-Net的深度学习肝肿瘤分割级联系统，实现肝肿瘤的自动检测和分割，提高了肿瘤负荷评估的一致性和效率。
2.辅助肝病的鉴别诊断：
临床上，由于部分肝病的临床症状、影像学和实验室指标表现可类似，所以鉴别诊断有时会较为困难，主要依赖于临床医师对异常指标的综合分析和丰富的经验，对基层医师更是巨大挑战。人工智能可被应用于辅助肝病的鉴别诊断，以便早期制订正确的治疗决策。
AIH、DILI及其他疑难少见肝病的诊断通常需要结合病史及排除其他肝病，并且常需要结合肝活体组织病理检查才能最终确诊。部分研究者应用人工智能探索了这些疾病的无创鉴别诊断。例如，Rao等将人工智能引入AIH的口腔微生物组研究，采用随机森林模型筛选出5种口腔微生物标志物，构建AIH诊断模型，该模型在发现队列的准确率为99.88%，在验证队列的准确率为100%，在跨地区验证队列的准确率为95.55%，提供了经多中心验证的人工智能诊断模型。Yu等通过非靶向唾液代谢组学，结合加权代谢物共表达网络分析、LASSO和随机森林，在31例DILI患者与35例健康对照者中筛选出5种高鉴别力代谢物，提示唾液代谢物可作为DILI早期无创诊断的潜在生物标志物。Zhang等提取肝豆状核变性（HLD）患者静息态功能MRI的特定脑区低频振幅异常，训练随机森林和支持向量机模型对HLD进行识别，测试集的AUC值超过0.8，明显优于传统影像学方法，结合其他指标可辅助HLD的诊断与鉴别。
良恶性肝占位鉴别依赖于影像科医师的丰富经验，并且常需结合病理确诊。研究者应用人工智能探索了肝占位性疾病的影像学鉴别。Wei等利用多阶段增强CT影像构建了肝脏病变网络模型，实现对HCC、肝内胆管癌（ICC）、转移瘤、肝局灶性结节性增生、血管瘤、囊肿的六分类诊断，在4039例多中心训练加外部验证中的总准确率达94.7%。另一项前瞻性多中心研究开发了肝脏人工智能诊断系统，在1.3万余例患者的验证中，该系统对恶性病灶的检测F1分数接近资深医师水平，被用于辅助各级医师诊断，可显著提高准确率。这些基于CT的人工智能模型缓解了以往影像学诊断中对医师经验依赖大、准确率不稳定的不足。Ding等基于52家中心3725例患者的对比增强超声（CEUS）视频，融合肿瘤标志物和临床信息构建了六分类模型Model-DCB，用于辨别HCC、ICC、转移瘤，以及血管瘤、肝脓肿等良性病变；该模型在验证中的总体准确率达90%，宏观平均AUC值为0.86，诊断性能接近高级医师水平。通过引入肿瘤生物标志物等多源数据，模型有效缓解了基层医院超声诊断易漏诊、误诊的痛点。
针对术前难以无创鉴别肿瘤类型的痛点，Wan等利用双视图CEUS的多模态深度学习模型，融合了CEUS的灰阶B模式和造影增强模式图像特征，实现了HCC与ICC的自动鉴别。进一步，超声人工智能被用于复杂肝局灶性病变的多分类辅助诊断。Gao等提出了基于CNN+循环神经网络（RNN）的空间提取时间编码集成分类模型，融合了多期增强CT和临床特征，用于区分HCC、ICC和转移瘤等类型，其三分类的准确率约为72.6%。此外，一些研究还尝试以无创方式预测肿瘤的组织学亚型和生物学行为。Feng等从肝癌CT影像中提取定量特征，经LASSO筛选后构建支持向量机模型，无创识别出具有高侵袭性的巨梁型（MTM）HCC亚型，并关联该亚型的免疫浸润特征。Li等则利用双能CT并结合深度学习影像组学，进一步提高了MTM亚型预测的精度。这类方法针对以往术前影像学无法确定肿瘤微观亚型的难题，提供了人工智能辅助的风险分层手段，有望尽早识别预后不良的肝癌亚型。
3.辅助肝病的病理学诊断与评估：
在病理学中，人工智能正被用于NASH/NAFLD活体组织检查的脂肪变性、炎症、纤维化等精准量化，以及多种良恶性肝脏结节的精准鉴别、HCC全切片肿瘤自动勾画，显著提高读片的一致性与疗效评估的灵敏度。
Forlano等以246例有肝活体组织检查的NAFLD患者为研究对象，由病理学专家在切片上手工标注脂肪滴、炎症灶、气球变性肝细胞和纤维组织区域，然后训练算法识别并计算每张切片中的脂肪占比、炎症区域比例、气球变性细胞计数，以及胶原纤维面积比例等定量指标。最终算法定量输出与专家手动标注高度吻合，且重复测量一致性高达0.95以上。Taylor-Weiner等利用3项NASH治疗性临床试验的数千张活体组织检查切片，训练了一个CNN模型，对肝组织的脂肪变性、炎症、气球变性和纤维化进行定量评分，与病理学专家的评分保持高度一致。值得一提的是，他们还基于模型输出建立了"深度学习纤维化治疗应答评分"，可敏感检出传统读片未能察觉的纤维化改善迹象，为判断药物疗效提供了新指标。这种高灵敏度对临床试验尤其关键，可降低样本量需求并减少假阴性结果。
极早期或不典型肝癌有时在病理上也会存在漏诊。对于一些难以鉴别的肝脏结节，Cheng等收集了包括高度异型增生结节、低度异型增生结节、肝细胞腺瘤、局灶性结节增生、分化良好的HCC和正常肝组织在内的共1115张切片，以多位肝病理亚专科医师确认诊断作为金标准，并构建了基于CNN的肝细胞结节人工智能模型（HnAIM）。在独立外部测试中，HnAIM对7类结节的总体AUC值达0.935，在区分良性结节与分化好的HCC方面表现尤其出色，这表明深度学习有潜力胜任传统上颇具挑战性的早期肝癌鉴别诊断任务。
在病理切片中对HCC的肿瘤组织进行定量分析常需耗费大量时间，尤其对大幅面的全切片进行肿瘤区域圈定更是繁琐。为了自动勾画完整病理切片中的肿瘤区域，经典方法包括U-Net等基于全卷积神经网络（FCN）的模型，但是单尺度的U-Net可能无法兼顾细胞级特征和组织架构。为此，Schmitz等提出多尺度多编码器的FCN架构，其在肿瘤区域识别中的表现显著优于传统单尺度U-Net，分割结果更为准确。Wang等则进一步将多任务学习与注意力机制引入HCC分割模型，以提高对不同形态特征的适应能力。该模型对HCC切片肿瘤区域的识别精度较以往方法有明显提升，有望减轻病理科在大面积肿瘤圈绘方面的工作量。
（三）人工智能在肝病预后预测中的应用
1.肝癌发生风险的预测：
人工智能模型可用于预测MASLD、CHB、CHC患者罹患肝癌的概率，为高危人群的早期识别和干预提供决策支持。
Rodriguez等利用180万例MASLD患者的电子病历大数据，训练了一个极端梯度提升（XGBoost）模型，用于识别肝癌高风险患者；该模型在无肝硬化MASLD亚组中的AUC值接近0.89，与有肝硬化患者的预测效果相当。相比仅以是否存在肝硬化作为筛查依据，此模型能更精细地筛出那些虽未肝硬化但因多重因素叠加而处于肝癌高风险的MASLD个体，可用于强化监控。Kim等综合10项基线临床指标构建了PLAN-B机器学习模型，在13508例韩国籍和欧洲裔CHB患者中，该模型预测HCC的准确度在韩国验证队列中的一致性指数约为0.79，在欧洲队列中约为0.81，预测性能优于所有既往风险评分。Ioannou等充分利用患者随访期间的动态变化，通过深度学习的RNN模型综合4项基线变量和27项纵向随访变量，在48151例HCV感染肝硬化大队列中预测3年内HCC的发生风险；该模型在验证集中的AUC值为0.759，在获得持续病毒学应答的患者中AUC值提高至0.806，明显优于传统逻辑回归模型。
2.肝硬化并发症和预后的预测：
肝硬化患者常出现门静脉高压及相关症状、肝性脑病、感染，以及慢加急性肝衰竭（ACLF）等严重并发症，这些并发症显著增加了患者的死亡风险。如何识别这些并发症的高危患者并进行预防和干预，是目前临床的难点。
胃食管静脉曲张是门静脉高压的常见表现。为筛查出可能发生代偿期肝硬化高危静脉曲张的患者，Dong等开发了增强型FIB-4指数模型，将FIB-4指数与无创弹性成像指标相结合，采用XGBoost算法构建风险评分；该模型在多中心数据中取得了AUC值为0.84~0.91的优异表现，显著优于传统BavenoⅥ/Ⅶ标准，并且设定适当阈值时，排除高危静脉曲张的灵敏度和阴性预测值超过95%，显示该模型可减少大量不必要的预防性内镜检查。此外，Yu等构建了基于CT影像的人工智能模型来无创测定肝硬化门静脉高压的肝静脉压梯度（HVPG），该模型对不同HVPG阈值的判别AUC值均超过0.80，显著优于现有无创评估手段，为随访期间监测门静脉高压的程度提供了可靠工具。可见引入人工智能有望提升肝硬化患者动态预后评估的精确性，但仍需进一步的大规模前瞻验证后方能在临床随访管理中广泛应用。
肝硬化患者易并发严重感染，如自发性细菌性腹膜炎（SBP）、败血症等。临床上对有腹水的肝硬化患者常规行诊断性腹腔穿刺以排查SBP，但一方面相当大比例的患者腹水培养结果为阴性，另一方面肝硬化患者尤其是已存在肝衰竭或肝衰竭倾向的患者具有较高出血风险。Silvey等收集了近万例腹水患者的数据训练XGBoost模型，在两个独立验证队列中的测试结果显示该模型具有极高的阴性预测值（95%~100%），即当模型预测无感染时几乎可确定腹水未发生SBP。预示着利用常规临床变量来排除腹水感染，可减少低风险患者不必要的穿刺。
部分肝硬化患者会在特定诱因下发生急性失代偿甚至ACLF。临床亟需能早期识别高危患者的模型，以便在患者发生急性失代偿或ACLF前就采取早期干预。Bajaj等在一项多中心前瞻性研究中利用随机森林方法分析了失代偿肝硬化住院患者的血清代谢物谱，结果显示发展为ACLF的患者的血中存在显著升高的芳香族代谢产物、硫酸化胆汁酸等，而磷脂类物质水平相对降低。而且这些代谢物信号对30天内发生ACLF或死亡的预测作用独立于终末期肝病模型（MELD）评分等常规评分，这意味着它捕捉了传统指标未覆盖的病理生理变化。针对乙型肝炎相关ACLF，Zhang等基于机器学习方法筛选了3个关键代谢产物（如哌啶酸、N-乙酰天冬氨酸、尿基丙酸）的组合，相比仅用临床评分，其在ACLF早期诊断和90天病死率评估方面具有更高的判别力。人工智能技术在急性失代偿和ACLF的临床状态下，通过融合高通量生物标志物与临床数据，弥补了传统评分滞后于病情剧变的不足，能更前瞻地识别出那些看似稳定的高危患者群体。
3.肝癌复发的预测：
目前，肝癌的复发判断依赖于密切的复查监测。人工智能的加入显著提高了影像学信息的利用效率，通过多期影像学融合和深度学习的结合，实现了提前预测复发风险，有利于制订个体化的随访监测策略。Hui等开发了Recurr-NET模型，将术前三期增强CT影像与临床参数一并输入残差网络和生存森林架构，在基于多个中心收集的1231例患者数据上，Recurr-NET对5年复发的预测AUC值在外部验证中为0.76，显著优于扩展肝癌风险评估评分等多种临床风险评分。Shi等构建了弱监督多尺度病理深度学习模型生成肿瘤风险评分（TRS），高TRS的患者术后复发风险显著增加，被证实为独立的不良预后因子。Long等的研究融合了空间转录组RNA测序和肿瘤内部、周边区域的影像学特征，明显优于只用肿瘤内部特征的放射组学模型。总体而言，多模态方法克服了既往方法各自为战的不足，即影像提供宏观形态学信息，病理提供微观组织学信息，临床数据反映患者整体状况，融合分析能综合这些互补的信息，对患者预后作出更全面、准确的评估。
（四）人工智能在肝病治疗选择与疗效预测中的应用
1.治疗方案与时机的选择：
人工智能在治疗方案与时机选择中的应用集中于HCC、术后肝功能衰竭（PHLF）和肝移植领域。对于早期HCC，手术切除和射频消融术（RFA）均可能治愈，过去主要根据肿瘤大小、位置等选择治疗，但部分患者选择的方案可能并非最佳。为此，Liu等利用深度学习影像组学方法构建了R-RFA和R-SR两个模型，于术前采用CEUS预测接受不同治疗患者的2年无进展生存期，发现预测效果均明显优于仅用临床因素的模型。对于晚期HCC，免疫治疗等系统疗法的出现为患者带来希望，但存在响应率低且缺乏可靠生物标志物等问题。Sové等通过计算机模拟来评估抗程序性死亡受体-1（PD-1）单克隆抗体及联合细胞毒性T淋巴细胞相关抗原-4（CTLA-4）单克隆抗体治疗在晚期HCC患者中的疗效，并采用随机森林方法分析模型输出，鉴别出6种可能预测免疫疗效的生物标志物。相比传统"盲试"药物的方式，该方法有望提高临床试验的设计效率，优化治疗时机和组合选择。
大型肝切除术后发生PHLF是外科领域的严重并发症，尤其在肝硬化患者中的发生率高。为提高预测PHLF风险的准确性，Jin等分别开发了术前和术后的人工神经网络（ANN）模型，综合肌酐、胆红素等临床指标对PHLF进行判别；结果显示术后ANN模型的AUC值为0.851，明显高于MELD评分等传统指标，能更早、更准确地识别出潜在的PHLF患者。终末期肝病患者常需肝移植才能长期生存，而人工智能技术可用于肝移植的术前风险评估，Kong等采用ANN从大量移植数据中筛选关键预测因子，最终提出仅需肌酐、年龄、胆红素和白蛋白4项术前指标即可量化预测肝移植受者术后90天病死率，提高了风险评估的客观性，在资源有限的移植领域有助于优化受者选择。
2.疗效和反应的预测：
在病毒性肝炎中，人工智能可应用于抗病毒治疗的疗效和反应预测，辅助用药决策。Hur等纳入13970例CHB患者，结合抗病毒药替诺福韦较恩替卡韦在降低远期HCC风险、减少骨肾不良反应发生方面的利弊，通过患者的8个变量特征构建PLAN-S模型，实现将患者判定到更可能获益的一组中。Park等利用6525例HCV感染患者的179项社会人口学、临床和病毒学数据开发并验证了梯度提升机模型，以预测全口服抗病毒药物的疗效。Lu等利用34301例HCV感染患者的数据，构建了包括55项临床和病毒学变量的XGBoost模型，在验证集上取得了0.803的AUC值，显著高于逻辑回归模型。模型筛出了近七成最终失败的患者，验证了人工智能在大型人群数据中筛查高危人群的实用价值。两个模型都提示失代偿期肝硬化、基线AFP升高等临床特征与失败风险相关，这与临床经验一致，此外进一步量化了各因素的影响权重，为个体化干预和资源优化提供了依据。
在肝脏肿瘤患者中，人工智能可用于对免疫治疗和靶向治疗的疗效和反应预测，辅助治疗方案的制订。Zeng等利用深度学习算法建立了一个病理图像评分模型。在122例接受阿替利珠单抗+贝伐珠单抗组合免疫疗法的患者验证中，模型预测评分高的患者的中位无进展生存期明显长于评分低者。Xing等整合160例HCC患者的肿瘤及癌旁组织全基因组、转录组、蛋白质组和磷酸蛋白组测序数据，鉴定出3种具有不同分子特征和预后的肝癌亚型，据此训练了包含19个蛋白质特征的弹性网络机器学习模型，在验证集中对索拉非尼疗效表现出良好的预测能力（r2=0.753）。Chen等基于机器学习整合单细胞和宏转录组数据，将HCC分为5个分子亚型；其中两类肿瘤微环境呈免疫抑制状态的亚型对免疫检查点抑制剂和靶向药物更为敏感，而缺乏T淋巴细胞浸润的亚型对包括免疫治疗在内的常规疗法均不敏感。这一发现从肿瘤内在异质性角度解释了疗效差异，为个体化选择免疫治疗提供了新的思路。
二、人工智能在肝病中应用的展望
目前的研究对人工智能在肝病的大人群筛查、疑难或罕见肝病的诊断与鉴别诊断、肝病进展状态的无创评估、终末期肝病的早期筛查和预测、肝病治疗疗效的预测和治疗决策等方面都有初步的探索和成功案例。人工智能在肝病的全流程管理各个环节中都有巨大的应用潜力，并且结合临床诊疗技术和基础机制研究的不断进展，未来还有更广泛的应用前景设想。例如，使肝病的全周期诊疗智能化，通过多组学数据（基因组、代谢组、肠道菌群）构建人工智能预警模型，在健康人群中筛查肝病高风险个体，实现风险预测前置化，制订个体化的长期管理方案，再通过人工智能在"早期筛查→精准分型→治疗决策→长期随访"的全链条贯穿实现诊疗闭环化。另外，大语言模型的兴起也为肝病人工智能应用带来了新的契机，模型通过在海量、多样的医学数据中进行自监督预训练，储备了通用特征和医学知识，再通过和本地知识库结合，与影像学、电子病历文本、实验室检查、基因组等多模态信息融合，可输出包含自由文本解释等复杂结果，体现出较强的医学推理能力。
尽管人工智能在肝病诊疗中取得了显著进展，但当前研究仍存在一定局限性。许多模型依赖有限的单一数据集，缺乏大规模、多中心的外部验证，这导致模型泛化能力不足，在不同中心和人群中的性能不够稳定。同时，现有方法对复杂深度学习模型的依赖性强，决策过程不透明，降低了临床医师和患者对结果的信任，这些不足限制了成果的临床转化。另外，多模态数据整合是人工智能的优势，也是挑战：由于不同模态数据在格式和特征上的差异，意味着需要研发更有效的跨模态特征融合策略，以充分挖掘各模态数据的互补信息，克服数据异质性带来的挑战，从而提高模型的稳健性和泛化表现。虽然和知识库结合的大模型范式有望提升解答专科问题的满意度，但大模型在具体肝病任务上的可靠性和临床实用价值仍待进一步验证，结果可解释性与临床可采纳性成为决定人工智能能否真正融入肝病临床的重要因素。
针对这些局限，提高模型透明度、增强结果可解释性对建立临床信任至关重要，未来应更多采用可解释人工智能方法，揭示模型决策流程，减少"黑箱"问题对临床应用的阻碍。在实际部署方面，需确保人工智能模型经过严格的多中心、多人群外部验证，在不同医院与人群中均保持稳定的性能。同时，人工智能系统需要融入现有临床工作流程，为医务人员提供便捷的决策支持，而非增加其负担。随着相关技术和规范的不断成熟，人工智能有望在未来更可靠地辅助公共卫生管理和临床决策，用技术实现肝病从筛查→诊断→治疗→随访全流程的优化，提高疑难和罕见肝病的确诊率，改善远期预后，优化医疗资源分配，减轻医务人员负担，提升医疗服务水平。
引用：于慧,张琪然,应峻,等. 人工智能在肝病诊疗中的应用进展[J].中华传染病杂志,2025,43(06)：376-384.